Student and School Characteristics Associated With <scp>COVID</scp>‐19‐Related Learning Decline Among Middle and High School Students in K‐12 Schools*
Notice bibliographique
Résumé
BACKGROUND: COVID-19-disrupted schools, including shifts to virtual learning which may have impacted academic progress. This study assessed characteristics associated with changes in academic grades (before and during the pandemic) for different learning modalities for US students ages 13-19. METHODS: Students (N = 2152) completed a web survey on school-related experiences during the 2020-2021 school year. County social vulnerability and SARS-CoV-2 transmission data were merged with survey data. Multivariable logistic regression analysis for grade change was conducted with student and school characteristics for each learning modality, controlling for community characteristics. RESULTS: Greater proportions of remote/virtual (34.4%) and hybrid (30.1%) learning students reported grade decline compared to in-person students (19.9%). Among in-person students, odds of reporting same/improved grades were 65% lower among non-Hispanic black students and 66% lower among non-Hispanic students from other races, compared to non-Hispanic white students. Among hybrid students, odds of reporting same/improved grades for students reporting anxiety were 47% lower than students without anxiety, and odds of reporting same/improved grades among students reporting substance use were 40% lower than students not reporting substance use. Among remote/virtual students, odds of reporting same/improved grades among students with depression were 62% lower than odds of students not reporting depression symptoms. Remote/virtual students who received school-provided educational services also had 1.55 times the odds of reporting same/improved grades, compared to remote/virtual students not receiving these services. CONCLUSIONS: Academic grades were negatively impacted during COVID-19 and learning mode may have contributed. Understanding these impacts is critical to student health and academic achievement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».